[論文レビュー] Advance Service Reservations with Heterogeneous Customers

Clifford Stein, Van‐Anh Truong+1 more|arXiv (Cornell University)|May 15, 2018

Optimization and Search Problems参考文献 37被引用数 7

ひとこと要約

本論文は、異種の顧客、有限容量および perishable（消えやすい）デッドラインを有するリソースを伴う、事前サービス予約のオンラインアルゴリズムを提案する。リソースの共有と動的割り当てを最適化する洗練されたアルゴリズム（RLS）を導入し、多様なシナリオにおいて理論的上限値の7%以内の近似性能を達成し、中程度の容量設定下では、グリーディーやステータス予約といったヒューリスティクスを著しく上回る性能を示した。

ABSTRACT

We study a fundamental model of resource allocation in which a finite number of resources must be assigned in an online manner to a heterogeneous stream of customers. The customers arrive randomly over time according to known stochastic processes. Each customer requires a specific amount of capacity and has a specific preference for each of the resources, with some resources being feasible for the customer and some not. The system must find a feasible assignment of each customer to a resource or must reject the customer. The aim is to maximize the total expected capacity utilization of the resources over the horizon. This model has application in services, freight transportation, and online advertising. We present online algorithms with bounded competitive ratios relative to an optimal offline algorithm that knows all stochastic information. Our algorithms perform extremely well compared to common heuristics, as demonstrated on a real data set from a large hospital system in New York City.

研究の動機と目的

• 確率的かつ非定常な顧客の到着、異種の好みと容量要件を伴うオンラインリソース割り当ての課題に対処する。
• 医療予約や貨物コンテナなど、リソースが時間とともに失効するようなシステムにおいて、合計予想容量利用率を最大化する。
• 動的需要パターンを伴う実世界の設定で、一般的なヒューリスティクスを上回る、強固で近似的最適なオンラインアルゴリズムを開発する。
• 特に、利益が最も高いとされる中程度の容量領域において、需要対容量比のスケール変動に応じたアルゴリズム性能を評価する。
• ニューヨーク市病院システムの実データを用いた合成的および実世界のデータにおいて、洗練されたアルゴリズム（RLS）がステータス予約やグリーディー戦略を著しく上回ることを示す。

提案手法

• m 個のリソースを有する連続時間オンラインリソース割り当てシステムとして問題をモデル化し、各リソースは有限容量と有効期限を持つ。
• 顧客タイプを確率的到着プロセス、容量要件、可能なリソースサブセットとして表現し、好みとデッドラインを含める。
• リソース共有と動的割り当て意思決定を向上させるために、基本的なリストスケジューリングを改善した「洗練されたリストスケジューリング（RLS）」アルゴリズムを導入する。
• プライマルデュアルフレームワークを用いて性能保証を導出し、最適なオフラインアルゴリズムに対する競合比を評価する。
• 非一様ポアソン到着を伴う実際の病院データおよびランダム化された設定において、アルゴリズムをシミュレートする。
• ベンチマークとして、リストスケジューリング（LS）、修正版リストスケジューリング（MLS）、グリーディー（GRD）、ステータス予約（RSRV）、プライマルデュアル（PD）を比較する。

実験結果

リサーチクエスチョン

• RQ1 顧客が確率的かつ異種の好み、リソース固有のデッドラインを伴って到着する状況において、期待される容量利用率を最大化するためのオンラインアルゴリズムはどのように設計できるか？
• RQ2 将来の到着をすべて把握できる最適なオフラインアルゴリズムと比較して、オンラインアルゴリズムの性能ギャップはどの程度か？
• RQ3 時間帯や曜日による変動を伴う非定常需要は、定常モデルと比較してアルゴリズムの性能にどのように影響を与えるか？
• RQ4 中程度の需要対容量比（例：低、中、高）の容量領域において、RLS などの高度なアルゴリズムがヒューリスティクスよりも最大の価値をもたらすのはどの領域か？
• RQ5 RLSにおける動的リソース共有は、ステータス予約やグリーディー割り当て戦略と比較して、どの程度性能を向上させるか？

主な発見

• 洗練されたリストスケジューリング（RLS）アルゴリズムは、全テストシナリオにおいて理論的上限値の7%以内の性能を一貫して達成し、強固な性能を示した。
• 100回のランダム化設定における平均的性能では、RLSは上限値の96.3%を達成し、グリーディーヒューリスティクス（95.9%）を著しく上回り、ステータス予約（85.2%）を大きく上回った。
• グリーディーヒューリスティクス（GRD）は極端なスケール（非常に高いまたは非常に低い需要）では最良の性能を示すが、リソース共有が最も重要な中程度の領域では性能が劣る。
• RLSアルゴリズムは、柔軟な割り当てを可能にすることで、通常の患者の平均待ち時間を短縮したが、適切に予約されない場合、当日の患者割り当てに悪影響を及ぼす可能性がある。
• ニューヨーク市病院の実データを用いた実世界のテストでは、RLSは一般的なヒューリスティクスを著しく上回り、特に知的なスケジューリングの価値が最も高い中規模設定で顕著であった。
• プライマルデュアルアルゴリズムは、平均的設定下でGRDよりわずかに性能が劣る傾向にあり、これは最悪ケースの保証に焦点を当てているため、平均ケースの効率性に優れていないためと推測される。